論文の概要: Algorithms for Solving Nonlinear Binary Optimization Problems in Robust Causal Inference

• arxiv url: http://arxiv.org/abs/2012.12130v1
• Date: Tue, 22 Dec 2020 16:12:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:22:47.235259
• Title: Algorithms for Solving Nonlinear Binary Optimization Problems in Robust Causal Inference
• Title（参考訳）: ロバスト因果推論における非線形二元最適化問題を解くアルゴリズム
• Authors: Md Saiful Islam, Md Sarowar Morshed, and Md. Noor-E-Alam
• Abstract要約: 連続的な結果を持つ観測データから、堅牢な因果推論テストインスタンスを解くための勾配アルゴリズムを提案する。 実現可能性定式化の構造を生かして,ロバストなテスト問題を解決するのに効率的な欲望スキームを開発する。
• 参考スコア（独自算出の注目度）: 2.169755083801688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying cause-effect relation among variables is a key step in the decision-making process. While causal inference requires randomized experiments, researchers and policymakers are increasingly using observational studies to test causal hypotheses due to the wide availability of observational data and the infeasibility of experiments. The matching method is the most used technique to make causal inference from observational data. However, the pair assignment process in one-to-one matching creates uncertainty in the inference because of different choices made by the experimenter. Recently, discrete optimization models are proposed to tackle such uncertainty. Although a robust inference is possible with discrete optimization models, they produce nonlinear problems and lack scalability. In this work, we propose greedy algorithms to solve the robust causal inference test instances from observational data with continuous outcomes. We propose a unique framework to reformulate the nonlinear binary optimization problems as feasibility problems. By leveraging the structure of the feasibility formulation, we develop greedy schemes that are efficient in solving robust test problems. In many cases, the proposed algorithms achieve global optimal solution. We perform experiments on three real-world datasets to demonstrate the effectiveness of the proposed algorithms and compare our result with the state-of-the-art solver. Our experiments show that the proposed algorithms significantly outperform the exact method in terms of computation time while achieving the same conclusion for causal tests. Both numerical experiments and complexity analysis demonstrate that the proposed algorithms ensure the scalability required for harnessing the power of big data in the decision-making process.
• Abstract（参考訳）: 変数間の因果関係の特定は意思決定プロセスにおける重要なステップである。 因果推論にはランダムな実験が必要であるが、研究者や政策立案者は、観測データの広範囲な利用と実験の実施可能性のために、因果仮説をテストするために観察研究をますます利用している。 このマッチング手法は観測データから因果推論を行う最もよく用いられる手法である。 しかし、一対一マッチングにおけるペア割り当てプロセスは、実験者による選択が異なるため、推論の不確実性を引き起こす。 近年, 不確実性に対処するために離散最適化モデルが提案されている。 離散最適化モデルでは頑健な推論が可能であるが、非線形問題を引き起こし、拡張性に欠ける。 本研究では、連続的な結果を伴う観測データから頑健な因果推論テストインスタンスを解くための欲求アルゴリズムを提案する。 非線形二項最適化問題を実現可能性問題として再編成するための一意な枠組みを提案する。 実現可能性定式化の構造を生かして,ロバストなテスト問題を解決するのに効率的な欲望スキームを開発する。 多くの場合、提案アルゴリズムはグローバル最適解を実現する。 3つの実世界のデータセットで実験を行い,提案アルゴリズムの有効性を実証し,その結果を最先端解法と比較した。 実験により,提案手法は計算時間的にも精度が向上し,因果テストでも同様の結果が得られた。 数値実験と複雑性解析の両方により、提案アルゴリズムは、意思決定プロセスにおけるビッグデータのパワーを利用するために必要なスケーラビリティを保証する。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Globally-Optimal Greedy Experiment Selection for Active Sequential Estimation [1.1530723302736279]
  逐次的に収集したデータの実験を適応的に選択するアクティブシーケンシャル推定の問題について検討する。 目標は、より正確なモデル推定のための実験選択ルールを設計することである。 そこで本稿では,グリーディ実験の選択手法のクラスを提案し,最大可能性の統計的解析を行う。
  論文  参考訳（メタデータ） (2024-02-13T17:09:29Z)
• Comparison of Single- and Multi- Objective Optimization Quality for Evolutionary Equation Discovery [77.34726150561087]
  進化的微分方程式の発見は、より優先順位の低い方程式を得るための道具であることが証明された。 提案した比較手法は、バーガーズ方程式、波動方程式、コルテヴェーグ・ド・ブリーズ方程式といった古典的なモデル例で示される。
  論文  参考訳（メタデータ） (2023-06-29T15:37:19Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Efficient Learning of Decision-Making Models: A Penalty Block Coordinate Descent Algorithm for Data-Driven Inverse Optimization [12.610576072466895]
  我々は、意思決定プロセスを明らかにするために、事前の意思決定データを使用する逆問題を考える。 この統計的学習問題は、データ駆動逆最適化と呼ばれる。 そこで本稿では,大規模問題を解くために,効率的なブロック座標降下に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-27T12:52:56Z)
• The Statistical Complexity of Interactive Decision Making [126.04974881555094]
  複雑度尺度であるDecision-Estimation Coefficientは,サンプル効率のインタラクティブ学習に必要かつ十分であることが証明された。 統合アルゴリズム設計原則であるE2Dは、教師付き推定のための任意のアルゴリズムを、意思決定のためのオンラインアルゴリズムに変換する。
  論文  参考訳（メタデータ） (2021-12-27T02:53:44Z)
• Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
  決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。 厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。 このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
  論文  参考訳（メタデータ） (2021-11-29T15:10:09Z)
• Sample Selection for Fair and Robust Training [28.94276265328868]
  公平でロバストなトレーニングのためのサンプル選択に基づくアルゴリズムを提案する。 提案アルゴリズムは,最先端技術に匹敵する公平性と堅牢性が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T07:17:29Z)
• Data-Driven Robust Optimization using Unsupervised Deep Learning [0.0]
  逆問題に対して凸混合整数プログラムとして定式化することにより、トレーニングされたニューラルネットワークをロバストな最適化モデルに統合できることを示す。 このアプローチは、カーネルベースのサポートベクターセットを用いて、同様のアプローチより優れていることが判明した。
  論文  参考訳（メタデータ） (2020-11-19T11:06:54Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。